Quando a recuperação RAG decepciona, diz-se aos engenheiros para 'adicionar um reordenador'. Mas as explicações costumam ficar no nível arquitetural—chamando-o de cross-encoder, mecanismo de atenção ou modelo treinado em relevância—sem revelar o que o modelo realmente aprendeu. Essa lacuna importa: as equipes não podem justificar o uso de um reordenador ou perceber quando uma busca de palavras-chave mais barata seria suficiente.

A resposta honesta é que um reordenador não é mais inteligente que o passo de embeddings abaixo dele. Ele usa a mesma associação estatística de tokens dos dados de treinamento, apenas condicionada ao par consulta-passagem em vez de textos independentes. Uma vez compreendida, a decisão de usar um reordenador muda de 'porque o tutorial disse assim' para 'apenas quando esse troca específica vale a pena pagar'.

O artigo percorre o mecanismo: um reordenador é um transformer (cross-encoder) treinado em rótulos de relevância, produzindo uma pontuação baseada em co-ocorrência de tokens, não em verdadeira compreensão. Destaca três consequências arquiteturais para sistemas RAG empresariais. Um caderno companheiro permite que os usuários testem o reordenador em PDFs, mostrando quais palavras-chave impulsionam o ranking.

Este artigo é a Parte I da série Enterprise Document Intelligence, ao lado do tríptico de embeddings (2A/2B/2C), e baseia-se no framework Prompt, Context, Loop.